组合算法应用于组合学结构数字预失真系统的方法

摘要

本发明公开了一种组合算法应用于组合学结构数字预失真系统的方法，采用经典的峰均比抑制CFR技术和数字预失真DPD技术联合方案，同时针对直接学结构和间接学结构的优缺点，提出间接学结构与直接学结构结合的组合学结构设计数字预失真系统，然后结合LMS算法、RLS算法以及变步长LMS即NLMS算法的优势，提出RLS和NLMS联合的组合算法对数字预失真器参数估计和更新，组合算法具有RLS算法收敛迅速的特点，同时简化了计算量。对输入的高峰均比信号先进行CFR处理,再经DPD处理之后送给功放,得到比较理想的线性输出,有效改善了功放非线性引起的带内失真和带外频谱扩展。本发明不仅降低了宽带功放因记忆效应造成的性能下降，而且改善了宽带功放的线性度和效率。

主权项

组合算法应用于组合学习结构数字预失真系统的方法，其特征在于，包括两个部分，组合学习结构数字预失真系统，以及组合算法基于搭建的组合学习结构数字预失真系统对信号处理方法；所述组合学习结构数字预失真系统包括前向通路和反馈回路；所述前向通路包括信号产生模块(100)、峰均值抑制模块即CFR模块(101)、上变频模块即DUC模块(102)、数字预失真模块即DPD模块(103)、DSP模块(104)、数模转换模块即DAC模块(105)、带通滤波器(106)、功率放大器即PA(107)以及天线调谐器和天线(109)；所述反馈回路包括耦合器(108)、衰减器(110)和模数转换模块即ADC(111)；所述DPD模块(103)采用多项式预失真技术，该技术主要包括功放模型、学习结构和自适应算法三个部分；DPD内核是基于记忆多项式模型的数字预失真；DPD学习结构采用组合学习结构，DPD的自适应算法采用组合算法；所述学习结构采用组合学习结构，由间接学习结构和直接学习结构结合的组合学习结构设计数字预失真系统；系统在间接学习结构与直接学习结构之间进行切换；所述组合算法是在间接学习结构下采用RLS和NLMS算法对DPD内核系数进行估计；而在直接学习结构下采取LMS算法对DPD内核系数进行估计和更新；所述组合算法基于所搭建的组合学习结构数字预失真系统对信号处理方法包括以下步骤：1)将基带信号模块生成的基带信号进行数字上变频和峰值削波处理产生x(n)；2)采用记忆多项式模型构造数字预失真内核即DPD内核，其数学表述参见公式1；$z\left(n\right)=\underset{k=1}{\overset{K}{\Sigma }}\underset{q=0}{\overset{Q}{\Sigma }}{C}_{kq}x(n-q)|x(n-q){|}^{k-1}---\left(1\right)$其中，z(n)为预失真输出信号，K表示模型的最高非线性阶数，Q为记忆深度，C_kq是DPD系数；3)设误差判断门限|e₁(n)|＝|e(n)|＝1，则|e(n)|＞0.01，开关掷1，工作在自适应算法1，此时的学习结构为间接学习结构；且|e₁(n)|＞0.05，则RLS算法进行DPD内核系数快速估计来其初始值；基于RLS算法包括以下过程；a)设为DPD内核系数，初始化b)通过公式1计算出信号x(n)经过预失真输出信号z(n)；c)功放模型采用Wiener‑Hammerstein模型，其数学表达式参见公式2‑4；$u\left(n\right)=\underset{l=1}{\overset{L-1}{\Sigma }}{a}_{l}z(n-l)---\left(2\right)$$v\left(n\right)=\underset{k=1}{\overset{K}{\Sigma }}{b}_{k}u{\left(n\right)}^k---\left(3\right)$$y\left(n\right)=\underset{q=1}{\overset{Q-1}{\Sigma }}{c}_{q}v(n-q)---\left(4\right)$式中，u(n)为输入向量，v(n)为功放输出衰减得到的信号，y(n)为功放的输出采样信号，a_l是线性时不变系统的冲值响应值，L代表模型记忆深度；b_k为无记忆非线性系统多项式的系数，K表示模型的最高非线性阶数；c_q为线性时不变系统的冲值响应值，Q是模型记忆深度；通过公式2、公式3和公式4，计算得到信号z(n)经过功放的输出采样信号为y(n)；d)y(n)经尺度变换后y(n)/G，作为“后失真器”的输入，其中G代表功放的增益；令v(n)＝y(n)/G，u(n)为输入向量，其中：u(n)＝[v(n),v(n)|v(n)|²,v(n)|v(n)|⁴,v(n‑1),v(n‑1)|v(n‑1)|²,v(n‑1)|v(n‑1)|⁴,v(n‑2),v(n‑2)|v(n‑2)|²,v(n‑2)|v(n‑2)|⁴]；   (5)e)v(n)通过公式1的“后失真器”处理得到输出信号z₁(n)；f)通过公式6计算预失真输出信号z(n)与“后失真器”输出信号z₁(n)之间的估计误差e₁(n)：e₁(n)＝z(n)‑z₁(n)   (6)g)通过公式7、8、9和10，计算得到DPD内核系数π(n)＝P(n‑1)u(n)   (7)k(n)＝π(n)/(λ+u^H(n)π(n))   (8)$\hat{w}\left(n\right)=\hat{w}(n-1)-k\left(n\right){e_1}^{*}\left(n\right)---\left(9\right)$P(n)＝λ^‑1P(n‑1)‑λ^‑1k(n)u^H(n)P(n‑1)   (10)上式中，P(n)为预失真器最佳相位系数向量，π(n)为预失真器最佳幅度系数向量，k(n)为增益向量，u^H(n)是u(n)的复共轭转置，e₁^*(n)为e₁(n)复共轭，λ(0＜λ＜1)为遗忘因子；h)判断|e₁(n)|大小，若|e₁(n)|＞0.01，则重复b到g；4)判断|e₁(n)|大小，若0.01＜|e₁(n)|＜0.05，切换至NLMS算法模块，同时把RLS迭代得到的系数送入所述模块，作为NLMS权系数的初始值，通过公式11和公式12进行进一步迭代处理，计算得到DPD内核系数并且将值复制给DPD系数C_kq；$\hat{w}(n+1)=\hat{w}\left(n\right)+{\mathrm{\mu e}}_1{\left(n\right)}^{*}u\left(n\right)---\left(11\right)$μ(n+1)＝αμ(n)+βe₁²(n)   (12)上式中，e₁^*(n)为e₁(n)复共轭，μ为迭代步长，0＜α＜1，β＞0；5)判断|e₁(n)|大小，若|e₁(n)|≤0.01，则|e(n)|＝|e₁(n)|，即|e(n)|≤0.01，故开关掷向2，此时的学习结构为直接学习结构，并用自适应算法1收敛后的权值向量作为自适应算法2权值向量的初始值，采用一种适合于硬件实现的自适应算法即LMS算法来计算DPD内核系数a)用自适应算法1收敛后的权值向量作为自适应算法2权值向量的初始值b)通过公式1计算得到x(n)经过预失真输出信号z(n)；c)通过公式2、3和4计算得到信号z(n)经过功放的输出采样信号为y(n)，y(n)经尺度变换后y(n)/G，其中G代表功放的增益，令z₂＝y(n)/G；d)通过公式13计算期望信号x(n)与功放估计输入z₂之间的估计误差；e₂(n)＝z(n)‑z₂(n)   (13)e)通过公式14计算得到DPD内核系数$\hat{w}(n+1)=\hat{w}\left(n\right)+{\mathrm{\mu e}}_2{\left(n\right)}^{*}u\left(n\right)---\left(14\right)$上式中，e₂^*(n)为e₂(n)复共轭，μ为迭代步长；f)判断|e₂(n)|大小，若|e₂(n)|＞0.005，则重复b到e；若|e₂(n)|≤0.005，DPD内核系数值复制给DPD系数C_kq。